Langfristprognosen

Langfristprognosen – wie weit reicht der Blick nach vorn?

Wer wissen will, ob der kommende Winter mild oder frostig wird und der Sommer heiß oder nass, landet bei Langfristprognosen. Sie gehören zu den am häufigsten missverstandenen Produkten der Meteorologie: In Schlagzeilen klingen sie wie Wettervorhersagen für die nächsten Monate, tatsächlich sind sie etwas anderes als zum Beispiel das Wetter in Deutschland in den kommenden Tagen. Folgende Ausführungen erklären, was eine Langfristprognose ist, wie sie entsteht und warum künstliche Intelligenz sie verändert.

Kurz-, Mittel- und Langfrist: Wo liegt der Unterschied?

Die Meteorologie unterscheidet mehrere Zeithorizonte. Die Grenzen sind je nach Wetterdienst etwas verschieden, die Größenordnungen aber stabil.
Bereich Horizont Was vorhergesagt wird Wie belastbar
Nowcasting 0 bis 6 Stunden Zugbahn einzelner Schauer und Gewitter sehr hoch
Kurzfrist bis etwa 3 Tage Wetter an einem Ort, oft stundengenau hoch
Mittelfrist bis etwa 5 bis 10 Tage Großwetterlage, mit Wahrscheinlichkeiten gut in der ersten Woche, dann stark abnehmend
frühe Langfrist (subsaisonal) etwa 2 bis 6 Wochen Wochenmittel von Temperatur und Niederschlag gering, aber nutzbar
Langfrist (saisonal) 1 bis etwa 7 Monate Wahrscheinlichkeit für zu kalt, normal oder zu warm im Monats- oder Dreimonatsmittel in Mitteleuropa gering, in den Tropen deutlich höher
 

Der entscheidende Unterschied ist die Art der Frage

Eine Wettervorhersage ist ein Anfangswertproblem: Aus dem heutigen Zustand der Atmosphäre wird der morgige berechnet. Die Atmosphäre ist aber chaotisch. Schon Edward Lorenz hat 1963 gezeigt, dass winzige Fehler im Ausgangszustand schnell wachsen. Deshalb verliert eine Einzelvorhersage nach etwa ein bis zwei Wochen ihren Wert. Eine Langfristprognose versucht gar nicht erst, den 14. Januar vorherzusagen. Sie nutzt stattdessen Teile des Klimasystems, die sich langsamer und berechenbarer entwickeln als die Atmosphäre: das Meer (vor allem die Wassertemperatur im tropischen Pazifik und im Nordatlantik), Meereis, Schnee, Bodenfeuchte und die Stratosphäre. Sie verschieben die Wahrscheinlichkeiten für das, was die Atmosphäre in den kommenden Monaten im Mittel tut.

Das Ergebnis ist deshalb eine Wahrscheinlichkeitsaussage und keine Wettervorhersage

Der Deutsche Wetterdienst gibt Tendenzen gegenüber dem Vergleichszeitraum 1991 bis 2020 an: Wenn zum Beispiel 65 Prozent für einen zu warmen Winter genannt werden, bleibt gut ein Drittel Wahrscheinlichkeit für normal oder kälter. Und selbst ein zu warmer Winter enthält einzelne kalte Tage und Wochen. Ein 3-Monats-Mittel sagt nichts über den Heiligabend.  
Langfristprognosen beim Wetter - lars-hattwig.de
Bei langfristigen Wetterprognosen kommt immer mehr und erfolgreich KI zum Einsatz.

Wie entsteht eine Langfristprognose?

Der Ablauf ist bei den großen Zentren (ECMWF in Reading, das US-Wetterdienstsystem NOAA CFS, der Deutsche Wetterdienst und andere) im Kern gleich.
  1. Ausgangszustand bestimmen. Millionen Messwerte von Stationen, Ballons, Satelliten, Bojen und Schiffen werden zu einem Gesamtbild von Atmosphäre, Ozean, Landoberfläche und Meereis verrechnet. Bei der Langfrist ist der Ozean mindestens so wichtig wie die Luft.
  2. Gekoppeltes Modell rechnen. Das europäische System SEAS5 des ECMWF kombiniert ein Atmosphärenmodell mit einem Ozean-Modell (NEMO) und einem Meereis-Modell. Es rechnet bis zu sieben Monate in die Zukunft.
  3. Viele Läufe statt eines. Weil das System chaotisch ist, startet man nicht einen Lauf, sondern ein Ensemble: bei SEAS5 sind es 51 Läufe mit leicht veränderten Anfangsbedingungen. Die Streuung der Läufe ist ein direktes Maß für die Unsicherheit. Liegen fast alle Läufe auf derselben Seite, ist das Signal klar, laufen sie auseinander, ist die Prognose schwach.
  4. Mehrere Modelle bündeln. Der Copernicus-Klimadienst C3S fasst die Systeme mehrerer Wetterdienste zu einer Multi-Modell-Prognose zusammen und aktualisiert sie monatlich um den 10. Unterschiedlich gebaute Modelle haben unterschiedliche Fehler, die sich im Mittel teilweise ausgleichen.
  5. Rückrechnungen zur Eichung (Hindcasts). Jedes Modell hat sein eigenes „Klima“ und liegt systematisch etwas daneben. Deshalb rechnet man dasselbe System für viele vergangene Jahre nach und vergleicht mit dem, was wirklich passiert ist. Eine Prognose wird erst nützlich, wenn man sie gegen diese Rückrechnungen liest: Sie zeigt dann die Abweichung vom Modellklima. Dieselben Hindcasts verraten auch, wie gut das System in welcher Region und Jahreszeit überhaupt ist.
  6. Aufbereiten. Aus dem Ensemble entstehen Karten der Abweichung und Wahrscheinlichkeiten für die Kategorien kälter, normal und wärmer. Der DWD wählt zusätzlich gezielt Modellläufe aus, die die Zirkulation über dem Nordatlantik gut abbilden, und weist die Vorhersagegüte mit aus.

Wo das Signal herkommt

Die wichtigste Quelle ist der Wechsel zwischen El Niño und La Niña im tropischen Pazifik (ENSO). Dazu kommen die Wassertemperatur im Nordatlantik, die Nordatlantische Oszillation (NAO, das Druckgefälle zwischen Islandtief und Azorenhoch), Schnee und Meereis sowie der Polarwirbel in der Stratosphäre. Dessen Störungen wirken oft mit zwei bis drei Wochen Verzögerung auf das Wetter am Boden.

Wo die Grenzen liegen

Die Vorhersagegüte für Mitteleuropa im Winter bleibt auch bei starkem El Niño niedrig bis moderat. Die NAO ist weiterhin schwer vorhersagbar; starke ENSO-Ereignisse verbessern die Güte gegenüber neutralen Jahren, heben sie aber nicht auf das Niveau tropischer Vorhersagen. Ein 65-Prozent-Signal für einen zu warmen Winter bedeutet weiterhin ein substanzielles Restrisiko für normale oder kältere Verhältnisse und sagt nichts über einzelne Kältewellen innerhalb des Dreimonatsmittels aus. Alte Wetterregeln wie Bauernregeln und der „Hundertjährige Kalender“ sind dagegen keine Prognosen. Eine Auswertung von 28 polnischen Wetterregeln aus dem Jahr 2020 fand meist Trefferquoten unter 50 Prozent.

Wie wirkt KI, und warum verbessert sich dadurch die Langfristprognose?

Was bereits belegt ist. Das ECMWF betreibt seit Februar 2025 ein KI-Modell (AIFS Single), seit Juli 2025 auch ein KI-Ensemble (AIFS ENS). Beide schlagen das klassische System in der Mittelfrist bei den meisten Größen, die Fehler sinken typischerweise um 5 bis 15 Prozent. Für die Wochen 2 bis 6 hat das KI-Ensemble AIFS-CRPS gezeigt, dass es mit dem physikalischen Ensemble mithalten kann, wenn man Abweichungen betrachtet, und dass es weniger systematische Fehler hat. Im Wettbewerb „AI Weather Quest“ des ECMWF lag in der Herbstsaison 2025 das Team MicroEnsemble mit seinem Verfahren MicroDuet für die Wochen 3 und 4 auf Platz 1.   Warum KI hilft.
  • Sie lernt aus 40 Jahren Wettergeschichte. Die Modelle werden mit Reanalysen trainiert, also rekonstruierten Wetterkarten seit 1940. Sie erkennen wiederkehrende Muster, die in physikalischen Gleichungen nur grob oder gar nicht stecken.
  • Sie wird auf Unsicherheit trainiert. Neuere Modelle wie AIFS-CRPS lernen nicht mehr einen „besten“ Einzellauf, sondern direkt die Güte der Wahrscheinlichkeitsverteilung. Das ist genau das, was in der Langfrist gebraucht wird.
  • Sie ist schnell. Ein trainiertes Netz rechnet einen Lauf deutlich schneller als ein physikalisches Modell. Damit werden große Ensembles und lange Rückrechnungen billiger, und Statistik wird verlässlicher.
  • Sie führt Fehlerbuch. MicroDuet erfindet keine neue Physik. Es nimmt die Prognosen des ECMWF und korrigiert deren bekannte, wiederkehrende Fehler anhand der Vergangenheit, und zwar für die ganze Verteilung und nicht nur für den Mittelwert. Nach Angaben der Entwickler stieg dadurch die Güte der Wochen 3 und 4 gegenüber dem bereits korrigierten ECMWF-Modell bei der Temperatur um etwa 26 bis 37 Prozent.

Was noch offen ist

Die Verbesserung ist bisher für Tage bis etwa vier Wochen gezeigt, nicht für Monats- und Saisonprognosen. Der absolute Gewinn ist klein: „doppelt so gut“ bedeutet hier von sehr niedrigen Werten auf niedrige Werte. Rein datengetriebene Modelle wie AIFS-SUBS rechnen nur die Atmosphäre ohne Ozean und taugen deshalb noch nicht für Saisonprognosen. Außerdem bleibt eine Lücke bei Extremfällen: Ein Modell, das aus der Vergangenheit lernt, kennt keinen El Niño, der stärker ist als alle bisherigen. Die stärksten Ergebnisse stammen zudem von den Entwicklern selbst, eine unabhängige Bestätigung steht noch aus.

Realistisch ist derzeit ein hybrider Zwischenschritt: Die gekoppelten physikalischen Saisonmodelle (SEAS5 und vergleichbare Systeme) bleiben das Fundament, weil nur sie den Ozean und die langsamen Randbedingungen korrekt abbilden. KI-Modelle wie AIFS-CRPS und Post-Processing-Ansätze wie MicroDuet (Sieger des AI Weather Quest in den Wochen 3–4) reduzieren systematische Fehler und verbessern die Wahrscheinlichkeitsverteilungen vor allem im subseasonalen Bereich (2–6 Wochen). Für echte Saisonprognosen (Monate) ist eine vollständige Ozean-Kopplung in den KI-Modellen noch Zukunftsmusik.

Ensemble-Mittel 850hPa +Tag10 vom ECMWF von der Wetterzentrale

Ensemble-Mittel 850hPa +Tag10 vom ECMWF

Ensemble-Mittel 850hPa +Tag10 von GFS von der Wetterzentrale

Ensemble-Mittel 850hPa +Tag10 von GFS

aktuelle Langfristprognosen

  • Die 6-Wochen-Prognose des ECMWF wird täglich aktualisiert und zeigt die voraussichtliche Abweichung des Wochenmittels der Temperatur und Niederschlag von langjährigen Mittel in Europa.
  • Die Jahreszeitenprognose des ECMWF (global) gibt Signale der Temperaturabweichen für die nächsten vier Monate.
 
Im Abstand von etwa zwei Wochen wird hier eine kompakte Zusammenfassung der aktuellen Langfristprognosen veröffentlicht.

Die aktuelle Langfristprognose bis Februar 2027 (Stand 5. November 2026)

Alle großen Saisonmodelle sehen für Mitteleuropa einen milden Winter. Der Deutsche Wetterdienst nennt für Dezember bis Februar rund 65 Prozent Wahrscheinlichkeit für einen zu warmen Winter. Das US-Modell CFS rechnet für Teile Deutschlands mit zwei bis drei Grad über dem Mittel, und das ECMWF erwartet vor allem einen sehr milden Dezember im Süden. Beim Niederschlag neigen die Modelle zu feuchter als üblich, doch dieses Signal ist schwach, der DWD sieht für Deutschland keinen belastbaren Trend. Unterhalb von etwa 1.000 Metern wird Schnee seltener, im Hochgebirge sind Nordstaulagen mit viel Schnee möglich.

Der außergewöhnlich starke El Niño (Höhepunkt voraussichtlich um Dezember 2026) liefert das dominante Hintergrundsignal für einen milden Winter in Mitteleuropa. Gleichzeitig entwickelt sich Anfang November 2026 eine ungewöhnlich frühe Störung des Polarwirbels, die in den Modellläufen einen Zusammenbruch bzw. eine mögliche SSW andeutet – früher als in der beobachteten Historie. Die bodennahen Auswirkungen wären mit 2–3 Wochen Verzögerung zu erwarten und könnten Kältephasen im Dezember oder Januar begünstigen. Ob dieses Signal den El-Niño-Hintergrund überwindet, ist derzeit unsicher; die Saisonmodelle vom September/Oktober kennen das Ereignis noch nicht.

Wahrscheinlich bleibt der Grundton mild und eher nass, mit größerer Unsicherheit als üblich. Kältephasen mit Schnee auch im Tiefland sind möglich, ein durchgehender Eiswinter ist nicht in Sicht.

Quellen und weiterführende Literatur

Methodik und Grundlagen KI Aktuelle Lage Grokipedia  

Weitere Beiträge im Bereich „Natur“

Zur Startseite

google.com, pub-2556727855943197, DIRECT, f08c47fec0942fa0